Evaluación de riesgos con Data Miningel sistema financiero español

  1. José Alejandro Fernández Fernández
  2. Virginia Bejarano Vázquez
  3. Juan Antonio Vicente Virseda
Revista:
Revista Mexicana de Economía y Finanzas (REMEF): nueva época

ISSN: 2448-6795,  1665-5346

Año de publicación: 2019

Volumen: 14

Número: 3

Páginas: 309-328

Tipo: Artículo

DOI: 10.21919/REMEF.V14I3.349 DIALNET GOOGLE SCHOLAR lock_openDialnet editor

Otras publicaciones en: Revista Mexicana de Economía y Finanzas (REMEF): nueva época

Resumen

Resumen El objetivo de este trabajo, basado en técnicas de Data Mining, es llegar a identificar el mejor método de predicción de riesgos para el sistema bancario español, teniendo en cuenta tanto sus características específicas, como la situación económica de España en el período objeto de estudio. Para ello, se definen, en primer lugar, catorce ratios que permiten identificar, en términos de riesgos, la situación de los bancos y cajas de ahorros españoles durante el período examinado. Mediante una técnica de reducción de dimensiones con la que se simplifica la interpretación de resultados, se obtienen cuatro factores latentes sobre los que se evalúa, junto con cuatro variables macroeconómicas adicionales,un conjunto de algoritmos de Data Mining, siendo seleccionado finalmente el arbol CHAID, a diferencia de trabajos previos, en los que nunca se había llegado a proponer la aplicación de técnicas de Data Mining y Machine Learning en la identificación de situaciones de riesgo en la industria bancaria española. Una limitación de este trabajo ha sido la imposibilidad de incorporar variables regulatorias, por tratarse de información reservada que, de haber estado disponible, nos habría permitido incorporar una nueva dimensión en la predicción de riesgos.

Referencias bibliográficas

  • Aktan, S. (2011). Application of machine learning algorithms for business failure prediction. Investment Management and Financial Innovations. 8. 52-65
  • Alaka, AH,Oyedeleb, LO,Owolabi, HA,Kumar, V,Ajayi, SO,Akinade, OO,Bilal, M. (2018). Systematic review of bankruptcy prediction models: Towards a framework for tool selection. Expert Systems Applications. 94. 164
  • Altman, E.,Haldeman, R.,Narayanan, P.. (1977). Zeta analysis: a new model to identify bankruptcy risk of corporations. Journal of banking and finance. 29-54
  • Betz, F.,Oprică, S.,Peltonen, A.,Sarlin, P.. (2013). Predicting distress in european banks. European Central Bank, Working Paper Series.
  • Boyacioglu, M. A.,Kara, Y.,Baykan, Ö. K.. (2009). Predicting bank financial failures using neural networks, support vector machines and multivariate statistical methods: A comparative analysis in the sample of savings deposit insurance fund (SDIF) transferred banks in Turkey. Expert Systems with Applications. 3355
  • Brezigar-Masten, A.,Masten, I. (2012). CART-based selection of bankruptcy predictors for the logit model. Expert Systems with Applications. 10153
  • Canbas, S.,Cabuk, A.,Bilgin Kilic, S.. (2005). Prediction of commercial bank failure via multivariate statistical analysis of financial structures: The Turkish case. European Journal of Operational Research. 528
  • Chen, M. Y.. (2011). Predicting corporate financial distress based on integration of decision tree classification and logistic regression. Expert Systems with Applications. 38. 11261
  • Corona, E.,Bejarano, V.,González, J.R.. (2017). Análisis de estados financieros individuales y consolidados. UNED. Madrid.
  • Cox, R.,Wang, G.. (2014). Predicting the US bank failure: A discriminant analysis. Economic Analysis and Policy. 202
  • De Andrés, J.,Lorca, P.,de Cos Juez, F. J.,Sánchez-Lasheras, F.. (2011). Bankruptcy forecasting: A hybrid approach using Fuzzy c-means clustering and Multivariate Adaptive Regression Splines (MARS). Expert Systems with Applications. 1866
  • Gepp, A.,Kumar, K.. (2015). Predicting financial fistress: a comparison of survival analysis and decision tree techniques. Procedia Computer Science. 54. 396-404
  • Irimía-Dieguez, A.I.,Blanco-Oliver, A,Vázquez-Cueto, M.J.. (2015). A comparison of classification/regression trees and logistic regression in failure models. Procedia Economics and Finance. 51. 396-404
  • Kaiser, H. F.. (1958). The varimax criterion for analytic rotation in factor analysis. Psychometrika. 23. 187-200
  • Koyuncugil, A.S.,Ozgulbas, N.. (2009). Risk modeling by CHAID decision tree algorithm. ICCES. 11. 39-46
  • Le, H.,Viviani, J.-L.. (2017). Predicting bank failure: An improvement by implementing machine learning approach on classical financial ratios. Research in International Business and Finance.
  • (2015). de recuperación y resolución de entidades de crédito y empresas de servicios de inversión.
  • Liviu, T.,Mădălina, P.,Marin, A.. (2015). A decision support system to predict financial distress. The case of Romania. Romanian Journal of Economic Forecasting. 18. 170
  • (2014). por la que se establece un marco para la reestructuración y la resolución de entidades de crédito y empresas de servicios de inversión, y por la que se modifican la Directiva 82/891/CEE del Consejo, y las Directivas 2001/24/CE, 2002/47/CE, 2004/25/CE, 2005/56/CE, 2007/36/CE, 2011/35/UE, 2012/30/UE y 2013/36/UE, y los Reglamentos (UE) no 1093/2010 y (UE) no 648/2012 del Parlamento Europeo y del Consejo (Directiva 2014/59/UE).
  • Madireddi, V.,Vadlamani, R.. (2011). Bankruptcy prediction in banks by principal component analysis threshold accepting trained wavelet neural network hybrid. 2011International Conference on Data Mining.
  • Olson, D. L.,Delen, D.,Meng, Y.. (2012). Comparative analysis of data mining methods for bankruptcy prediction. Decision Support Systems. 464
  • Serhan Koyuncugil, A.,Ozgulbas, N.. (2012). Financial early warning system model anddata mining application for risk detection. Expert Systems with Applications. 6238
  • Serrano Cinca, C.,Martín del Brío, B.. (1993). Prediccion de la quiebra bancaria mediante el empleo de redes neuronales artificiales.. Revista Española de Financiación y Contabilidad. 23. 153
  • Sinkey, F. Joseph. (1975). A multivariate statistical analysis of the characteristics of problem banks. The Journal of Finance. 30.
  • Yiqiang Jin, J.,Kanagaretnam, K.,Lobo, G.. (2011). Ability of accounting and audit quality variables to predict bank failure. Journal of Banking Finance. 2811
Fuente de los datos: Dialnet